P2P流量的识别与检测技术的研究

论文摘要

自二十世纪九十年代末P2P技术出现以来,P2P应用迅速发展,目前已占领多个网络应用领域。P2P应用在为用户提供前所未有的便利的同时,也已经严重影响了其他网络应用的正常开展。P2P应用使用动态端口、加密应用层数据等策略逃避常规流量检测机制,对流量检测与管理造成困难。对P2P应用流量的检测是建立在对P2P技术充分理解基础上的,本文根据P2P技术的发展,分析了其体系架构的变化,并研究了各种体系架构下的相关搜索技术。同时,以经典的P2P应用——eDonkey为例,对其进行了协议分析。P2P流量检测技术是一研究热点,国内外的研究学者提出了多种检测方法,包括基于端口的,基于流统计特性的,基于传输层行为特征的和基于深层数据包扫描的。但这些方法存在着不同程度的缺陷。相对于传统的检测方法来说,支持向量机技术为P2P流量检测技术注入了新的活力。支持向量机(Support Vector Machine,简称SVM)建立在统计学习理论和结构风险最小化原理基础之上,避免了局部最优解,在解决小样本的分类问题中表现出许多特有的优势。基于对P2P相关技术及支持向量机技术的研究,本文提出了基于支持向量机的P2P流量检测技术。在研究支持向量机技术的基础上,提出了基于SVM的P2P流量检测系统模型,并对模型各个组件的功能、机制、实现进行了深入探讨。在P2P流量特征选取上,本文从数据包、数据流、网络连接三个层面进行了特征选取。对用于P2P流量检测的网络数据特征,本文利用异构数据集上的距离度量函数HVDM进行了特征数据的预处理,并在有保证的估计方法的基础上进行了训练数据规模的确定,既避免了因训练数据规模过小而导致的训练结构太差问题,又减少了训练时间,提高了训练效率。在训练数据的过程中,本文采用了两种优化方法对训练过程进行优化处理。一是运用模糊数学理论,考虑不同的网络数据特征对P2P流量检测结果的影响程度,提出了一种特征加权处理方法,并通过实验数据说明该方法在检测精度上有所提高;二是运用循环选择算法,对训练数据进行循环选择。这样,一方面可以不断增加训练样本覆盖的数据特征,另一方面避免了大量具有相同特征的流量重复出现在训练数据集中。实验从漏报率和虚报率两个方面进行衡量,基于SVM的P2P流量检测技术都表现出了良好的性能。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 论文背景与意义
• 1.2 论文的主要工作及组织架构
• 2 P2P 技术综述
• 2.1 P2P 体系架构
• 2.1.1 中心化拓扑（Centralized Topology）
• 2.1.2 全分布式非结构化拓扑（Decentralized Unstructured Topology）
• 2.1.3 全分布式结构化拓扑
• 2.1.4 混合式拓扑（Hybrid Structure）
• 2.1.5 P2P 拓扑结构小结
• 2.2 P2P 搜索技术
• 2.2.1 结构化网络P2P 搜索技术
• 2.2.2 非结构化 P2P 网络的搜索技术
• 2.2.3 混合式 P2P 网络的搜索技术
• 2.3 P2P 网络特点
• 2.4 P2P 应用分类
• 2.5 小结
• 3 现有检测技术的研究
• 3.1 常用P2P 应用——EDONKEY 工作原理
• 3.1.1 协议概述
• 3.1.2 eDonkey 协议基本术语
• 3.1.3 协议交互过程
• 3.1.4 eDonkey 协议报文格式
• 3.1.5 特征总结
• 3.2 现有P2P 流量检测技术分析
• 3.2.1 基于端口的P2P 识别
• 3.2.2 基于流统计特性的识别
• 3.2.3 基于传输层行为特征的识别
• 3.2.4 基于深层数据包扫描的识别
• 3.2.5 基于DNS 查询日志的P2P 结点检测
• 3.3 小结
• 4 基于支持向量机的P2P 流量检测系统模型
• 4.1 支持向量机技术
• 4.1.1 最优分类超平面
• 4.1.2 广义最优分类超平面
• 4.1.3 支持向量机
• 4.1.4 核函数
• 4.1.5 利用支持向量机进行分类的优点
• 4.2 基于SVM 的P2P 流量检测模型
• 4.3 网络连接信息的提取
• 4.4 特征选取
• 4.4.1 特征分析——数据包层面
• 4.4.2 特征分析——数据流层面
• 4.4.3 特征分析——连接层面
• 4.5 小结
• 5 提高基于SVM 的P2P 流量检测性能的有关设计改进
• 5.1 训练流程
• 5.2 特征数据的预处理
• 5.3 训练数据集的选取
• 5.4 特征加权
• 5.5 SVM 的训练步骤及核函数的选择
• 5.5.1 SVM 的训练和预测步骤
• 5.5.2 核函数的选择与参数的确定
• 5.6 实验及数据分析
• 5.6.1 检测标准
• 5.6.2 实验环境
• 5.6.3 实验数据来源
• 5.6.4 实验结果比较与分析
• 5.7 小结
• 6 总结与展望
• 6.1 论文主要成果
• 6.2 进一步研究的展望
• 致谢
• 参考文献
• 附录